本發(fā)明涉及醫(yī)療器械相關(guān)
技術(shù)領(lǐng)域：
：，尤其，涉及一種植入式醫(yī)療器械(ImplantableMedicalDevice,IMD)。
背景技術(shù)：
：：腦起搏器，又稱腦深部電刺激(DeepBrainStimulation,DBS)，是目前治療晚期和藥物難治性運(yùn)動(dòng)障礙和精神障礙疾病的有效技術(shù)。特別是在帕金森病的治療上療效顯著。近期研究成果表明腦起搏器也可用于治療阿茲海默癥以及強(qiáng)迫癥、抑郁癥等精神類疾病。參見圖1，腦深部電刺激的實(shí)施器件即為腦起搏器，它是一套可植入式微電子裝置，包括脈沖發(fā)生器(IPG)、電極和延伸導(dǎo)線。腦起搏器開刺激后，脈沖發(fā)生器將根據(jù)體外程控儀設(shè)定的刺激參數(shù)產(chǎn)生持續(xù)電脈沖，電流經(jīng)由延伸導(dǎo)線通過電極觸點(diǎn)刺激丘腦底核或蒼白球內(nèi)側(cè)核的神經(jīng)核團(tuán)。由于這些部件均需植入體內(nèi)，因此腦起搏器具有功耗低、體積小、安全性強(qiáng)等特點(diǎn)，同時(shí)對(duì)其材料特性、溫度特性和外形設(shè)計(jì)都有較高的要求。通過體外程控儀就可以調(diào)整刺激幅度、頻率和脈寬在內(nèi)的所有刺激參數(shù)。腦起搏器采用的電池包括可充電電池和不可充電電池。在臨床上需要知道腦起搏器植入者的DBS的不可充電電池的電量水平和剩余壽命。不準(zhǔn)確的電池壽命預(yù)測將會(huì)導(dǎo)致過早地進(jìn)行DBS更換手術(shù)，造成電池的浪費(fèi)和患者財(cái)產(chǎn)損失；或者過晚進(jìn)行更換手術(shù)造成意外停機(jī)，對(duì)治療效果不利。對(duì)于DBS適應(yīng)癥患者而言，術(shù)后的刺激參數(shù)(幅度、頻率、脈寬)調(diào)節(jié)是保證療效最為重要的手段，幾乎每位DBS植入者都會(huì)經(jīng)歷調(diào)參的過程，目前的壽命預(yù)測方案只適用于典型(常用)刺激參數(shù)組合，并且刺激參數(shù)的每一次調(diào)整都將帶來誤差的累積，這使得預(yù)測結(jié)果很不可靠以致無法應(yīng)用于臨床。但從實(shí)際的角度看，目前只能采用這種近似估計(jì)的方法，因?yàn)樵诓豢紤]阻抗的前提下，幅度、頻率、脈寬三個(gè)刺激參數(shù)的組合有一百余萬種，其中電壓模式下就有五十余萬種組合，將每種參數(shù)組合下的功耗都測出來顯然是不切實(shí)際的。因此，需要尋求高精度的預(yù)測方法對(duì)腦起搏器進(jìn)行電量預(yù)測，并且要求該預(yù)測方案可以實(shí)現(xiàn)與臨床特異性相結(jié)合的針對(duì)每一種刺激參數(shù)組合和患者個(gè)體情況的(如阻抗)DBS電量監(jiān)測和壽命評(píng)估，并且能夠給出對(duì)應(yīng)的誤差范圍和分布特點(diǎn)，具備一定的精度和可靠性，最終可應(yīng)用于臨床。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)。一種腦起搏器的電量監(jiān)測方法，該方法包括：獲取腦起搏器的刺激參數(shù)；通過支持向量機(jī)預(yù)測模型計(jì)算該腦起搏器的電池相關(guān)參數(shù)；以及將計(jì)算得到的電池參數(shù)顯示給用戶。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述支持向量機(jī)預(yù)測模型通過以下方法建立：步驟S10，確定所選的核函數(shù)，進(jìn)入步驟S11；步驟S11，初始化核函數(shù)的參數(shù)，進(jìn)入步驟S12；步驟S12，獲取實(shí)驗(yàn)樣本數(shù)據(jù)，進(jìn)入步驟S13；步驟S13，將樣本數(shù)據(jù)用于學(xué)習(xí)或預(yù)測對(duì)比，如果是學(xué)習(xí)，進(jìn)入步驟S14，如果是預(yù)測對(duì)比，則進(jìn)入步驟S18；步驟S14，對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)入步驟S15；步驟S15，判斷所選參數(shù)特征是否具有代表性，如果是，進(jìn)入步驟S16，如果否，則返回步驟S14；步驟S16，算法訓(xùn)練建立模型，進(jìn)入步驟S17；步驟S17，采用網(wǎng)絡(luò)搜索方法優(yōu)化參數(shù)，進(jìn)入步驟S18；步驟S18，將預(yù)測數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比，進(jìn)入步驟S19；步驟S19，判斷誤差是否在允許范圍內(nèi)，如果是，進(jìn)入步驟S20，如果否，則返回步驟S16；以及步驟S20，作為預(yù)測模型。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述步驟S10中，所選的核函數(shù)為：徑向基核函數(shù)K(xi,xj)＝exp(-γ||xi-xj||2),γ>0。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述步驟S12中，獲取實(shí)驗(yàn)樣本數(shù)據(jù)的方法為：利用自動(dòng)測試系統(tǒng)采集三個(gè)維度的數(shù)據(jù)，幅度、頻率和脈寬。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述步驟S14中，對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理的方法為歸一化或取序列號(hào)。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述歸一化公式(1)為：X1＝2((X-Xmin)/(Xmax-Xmin))-1(1)，其中，X為原數(shù)據(jù)；X1為X經(jīng)歸一化處理后的值；Xmax和Xmin分別為原數(shù)據(jù)X所在數(shù)據(jù)組中的最大值和最小值。根據(jù)上述腦起搏器的電量監(jiān)測方法，其中，所述取序列號(hào)的方法為：幅度序列號(hào)＝幅度×20；脈寬序列號(hào)＝(脈寬-30)/10；頻率序列號(hào)按照自然數(shù)以1為增量進(jìn)行編號(hào)。一種腦起搏器電量監(jiān)測系統(tǒng)，其包括：一控制模塊，所述控制模塊控制控制整個(gè)腦起搏器電量監(jiān)測系統(tǒng)的工作；一計(jì)算模塊，所述計(jì)算模塊用于通過上述方法計(jì)算該腦起搏器的電池相關(guān)參數(shù)；一顯示模塊，所述顯示模塊用于將所述計(jì)算模塊計(jì)算得到的結(jié)果顯示給用戶；一數(shù)據(jù)輸入模塊，所述數(shù)據(jù)輸入模塊用于輸入腦起搏器的數(shù)據(jù)信息；以及一存儲(chǔ)模塊，所述存儲(chǔ)模塊用于存儲(chǔ)數(shù)據(jù)信息。根據(jù)上述腦起搏器電量監(jiān)測系統(tǒng)，進(jìn)一步包括一數(shù)據(jù)獲取模塊和一通訊模塊；所述數(shù)據(jù)獲取模塊用于通過該通訊模塊與所述腦起搏器的體外程控儀進(jìn)行通訊，從而獲取腦起搏器的刺激參數(shù)。根據(jù)上述腦起搏器電量監(jiān)測系統(tǒng)，進(jìn)一步包括一比較模塊和一提示模塊；所述比較模塊用于將所述計(jì)算模塊計(jì)算得到的結(jié)果與一安全閾值進(jìn)行比較，從而在危險(xiǎn)時(shí)通過該提示模塊進(jìn)行提示；且所述示模塊通過一圖形用戶界面將所述計(jì)算模塊計(jì)算得到的結(jié)果顯示給用戶。相較于現(xiàn)有技術(shù)，本發(fā)明提供的腦起搏器的電量監(jiān)測方法以及電量監(jiān)測系統(tǒng)可以實(shí)現(xiàn)對(duì)對(duì)腦起搏器的電量進(jìn)行高精度的預(yù)測，并且該預(yù)測方案可以實(shí)現(xiàn)與臨床特異性相結(jié)合的針對(duì)每一種刺激參數(shù)組合和患者個(gè)體情況的DBS電量監(jiān)測和壽命評(píng)估，具備一定的可靠性，最終可應(yīng)用于臨床。附圖說明圖1為本發(fā)明實(shí)施例采用的腦起搏器的工作原理圖。圖2為結(jié)構(gòu)風(fēng)險(xiǎn)最小化示意圖。圖3為支持向量機(jī)的特征空間示意圖。圖4為核函數(shù)原理圖。圖5為支持向量機(jī)預(yù)測模型建模流程圖。圖6為SVM不對(duì)訓(xùn)練和測試樣本進(jìn)行預(yù)處理的預(yù)測絕對(duì)誤差與曲線擬合預(yù)測絕對(duì)誤差對(duì)比圖。圖7為SVM不對(duì)訓(xùn)練和測試樣本進(jìn)行預(yù)處理的預(yù)測相對(duì)誤差與曲線擬合預(yù)測相對(duì)誤差對(duì)比圖。圖8為SVM對(duì)訓(xùn)練和預(yù)測樣本進(jìn)行取序列號(hào)預(yù)處理的預(yù)測絕對(duì)誤差與曲線擬合預(yù)測絕對(duì)誤差對(duì)比圖。圖9為SVM對(duì)訓(xùn)練和預(yù)測樣本進(jìn)行取序列號(hào)預(yù)處理的預(yù)測相對(duì)誤差與曲線擬合預(yù)測相對(duì)誤差對(duì)比圖。圖10為SVM樣本歸一化和取序列號(hào)處理的預(yù)測絕對(duì)誤差對(duì)比圖。圖11為SVM樣本歸一化和取序列號(hào)預(yù)測相對(duì)誤差對(duì)比圖。圖12為SVM參數(shù)優(yōu)選mse等值線圖。圖13為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)的結(jié)構(gòu)示意圖。圖14為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)的圖形用戶界面示意圖。主要元件符號(hào)說明腦起搏器電量監(jiān)測系統(tǒng)10控制模塊100計(jì)算模塊101數(shù)據(jù)獲取模塊102通訊模塊103顯示模塊104數(shù)據(jù)輸入模塊105存儲(chǔ)模塊106比較模塊107提示模塊108如下具體實(shí)施例將結(jié)合上述附圖進(jìn)一步說明本發(fā)明。具體實(shí)施方式本發(fā)明提供了一種腦起搏器的電量監(jiān)測方法以及采用該方法的腦起搏器電量監(jiān)測系統(tǒng)。該方法可以預(yù)測不可充電電池的電量和可充電電池的電量消耗情況。對(duì)不可充電電池尤為重要。本發(fā)明首先介紹支持向量機(jī)(SVM)預(yù)測模型。統(tǒng)計(jì)學(xué)習(xí)理論(StatisticLearningTheory,SLT)是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的基本理論和數(shù)學(xué)架構(gòu)。由Vapnik提出的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的學(xué)習(xí)機(jī)器支持向量機(jī)(SupportVectorMachine,SVM)作為一種非常有潛力的回歸分類技術(shù)，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法。函數(shù)回歸估計(jì)是一種常見的機(jī)器學(xué)習(xí)問題，SVM在這個(gè)問題上通過同時(shí)控制函數(shù)的復(fù)雜度和逼近精度，獲得了很好的推廣能力，用SVM逼近函數(shù)的方法即為支持向量回歸(SupportVectorRegression,SVR)。SVM方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。在這種理論下的統(tǒng)計(jì)推理規(guī)則不僅考慮了對(duì)漸進(jìn)性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。SVM理論與神經(jīng)網(wǎng)絡(luò)等其他學(xué)習(xí)方法相比，具有核的參數(shù)能夠自動(dòng)地通過優(yōu)化的方法計(jì)算出來，并且避免了局部最小點(diǎn)、過學(xué)習(xí)等缺陷?？偨Y(jié)而言，SVM方法用于回歸估計(jì)問題不但能夠很好地解決以往困擾很多學(xué)習(xí)方法的小樣本、過學(xué)習(xí)、高維數(shù)、局部最優(yōu)等實(shí)際難題，而且有很強(qiáng)的泛化能力。一方面，基于電路原理的最小二乘回歸模型功耗預(yù)測的精度有限，并且只有在典型刺激參數(shù)組合和阻抗附近有相對(duì)于它自己的較好的預(yù)測精度。而在非典型參數(shù)下功耗預(yù)測精度則很低。另一方面，由于在不考慮不同阻抗和電池供電電壓影響的前提下，光是在電壓模式下刺激參數(shù)組合就有五十余萬種，如果再將阻抗考慮進(jìn)來，這個(gè)數(shù)值將會(huì)以倍數(shù)的形式增長。而自動(dòng)測試系統(tǒng)每采集一個(gè)參數(shù)組合的功耗值需要至少半分鐘，將所有刺激參數(shù)組合下的功耗都采集出來很難實(shí)現(xiàn)。鑒于該問題有刺激幅度、頻率、脈寬和阻抗四個(gè)變化的刺激參數(shù)，屬于高維、小樣本(最多只能采集2萬余種參數(shù)組合)、非線性問題，很難直接進(jìn)行數(shù)據(jù)擬合。于是嘗試采用支持向量機(jī)進(jìn)行預(yù)測，并且獲得了很好的預(yù)測效果，可使功耗預(yù)測誤差遠(yuǎn)小于最小二乘回歸模型，同時(shí)其誤差分布更均勻、更平坦，預(yù)測功耗的絕對(duì)誤差和相對(duì)誤差趨勢(shì)互補(bǔ)，更有利于進(jìn)行后期的電量監(jiān)測和壽命評(píng)估，不至因誤差的長期積累給壽命預(yù)測帶來太大的影響。下面介紹SVM用于回歸預(yù)測的基本思想和理論基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，但是真正能夠直接影響模型實(shí)際預(yù)測效果的是期望風(fēng)險(xiǎn)或者說實(shí)際風(fēng)險(xiǎn)，而結(jié)構(gòu)風(fēng)險(xiǎn)直接決定了期望風(fēng)險(xiǎn)。經(jīng)驗(yàn)風(fēng)險(xiǎn)最小難以保證實(shí)際風(fēng)險(xiǎn)最小，這是神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過擬合的原因。在解釋過擬合之前，首先要理解訓(xùn)練數(shù)據(jù)集精度和測試數(shù)據(jù)集精度是兩個(gè)不同的概念。所謂過擬合，簡單的理解就是，如果一個(gè)分類器，其在訓(xùn)練數(shù)據(jù)集精度越高，在測試數(shù)據(jù)集精度越低，就說明出現(xiàn)了過擬合。不同于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，而結(jié)構(gòu)風(fēng)險(xiǎn)是由經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍共同決定的。其中經(jīng)驗(yàn)風(fēng)險(xiǎn)表征了模型的擬合精度，置信范圍則代表模型的推廣能力。參見圖2，若想期望風(fēng)險(xiǎn)最小，則需要經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍達(dá)到一個(gè)平衡，也就是在點(diǎn)h*處，可以使結(jié)構(gòu)風(fēng)險(xiǎn)最小，既不會(huì)出現(xiàn)欠學(xué)習(xí)也不會(huì)出現(xiàn)過學(xué)習(xí)現(xiàn)象，使得模型的擬合精度和預(yù)測精度都較高。簡言之，SVM的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則中包含兩個(gè)優(yōu)化指標(biāo)：經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間。兩者共同決定了支持向量的實(shí)際風(fēng)險(xiǎn)。對(duì)于線性可分?jǐn)?shù)據(jù)，SVM的原理是固定經(jīng)驗(yàn)風(fēng)險(xiǎn)，最優(yōu)化VC置信范圍。這就需要最小化VC維，最終倒向了最基本的問題，就是最大化Margin。從此，該問題變成了純數(shù)學(xué)問題。而對(duì)于線性不可分?jǐn)?shù)據(jù)，則需要加入懲罰因子或者提高維度，將其轉(zhuǎn)變?yōu)榫€性可分問題。相比之下，神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法都是固定置信范圍，最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)，因此易出現(xiàn)擬合精度很高而預(yù)測精度很低，也就是過擬合的情況。SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，能夠在保證擬合精度的同時(shí)最大化置信范圍以保證其推廣能力。所以，SVM的泛化能力要比神經(jīng)網(wǎng)絡(luò)好。參見圖3，支持向量機(jī)的基本思想是引入特征空間的概念，通過一個(gè)非線性映射把原數(shù)域上的非線性問題轉(zhuǎn)化為特征空間上的線性問題，同時(shí)還引入核函數(shù)的概念，把特征空間上的線性問題又返還到原數(shù)域上實(shí)施，而不涉及特征空間和非線性映射的具體形式，這樣就能在不提高計(jì)算復(fù)雜度的同時(shí)獲得最好的推廣能力。為了在高維特征空間中構(gòu)造最優(yōu)分類超平面，并不需要以顯式形式來考慮特征空間，而只需要能夠計(jì)算支持向量與特征空間中向量的內(nèi)積，也就是以核函數(shù)的方式來計(jì)算。使用核函數(shù)帶來的好處是，可以將輸入空間中的非線性分類面轉(zhuǎn)化為高維的特征空間F中的線性超平面來處理。參見圖4，為核函數(shù)原理圖，體現(xiàn)了將輸入空間的非線性分類映射到特征空間的線性分類的過程?？偨Y(jié)而言，利用SVM可以把樣本x通過非線性映射ψ(x)映射到高維特征空間F，并在F中求解最優(yōu)回歸函數(shù)。簡單地說，支持向量機(jī)可以實(shí)現(xiàn)將低維空間的非線性回歸轉(zhuǎn)化為高維空間中的線性回歸。而核函數(shù)則通過計(jì)算支持向量與特征空間中向量內(nèi)積的方式將高維空間中的線性問題又返還到原輸入空間實(shí)施。因此，在最優(yōu)回歸函數(shù)中采用適當(dāng)?shù)暮撕瘮?shù)K(x,xi)代替高維空間中的向量內(nèi)積ψ(xi)·ψ(x)，就可以實(shí)現(xiàn)某一非線性變換后的線性擬合，而計(jì)算復(fù)雜度卻沒有增加。可以說對(duì)于支持向量機(jī)算法而言，核函數(shù)扮演著重要的角色。因此核函數(shù)的選擇非常重要，將在后面具體分析。支持向量回歸分線性回歸和非線性回歸。對(duì)于線性回歸，考慮用線性回歸函數(shù)(1)y＝f(x)＝ω·x+b(1)對(duì)于非線性回歸，則把樣本x通過非線性映射ψ(x)映射到高維特征空間F，并在F中求解最優(yōu)回歸函數(shù)，并且采用適當(dāng)?shù)暮撕瘮?shù)K(x,xi)代替高維空間中的向量內(nèi)積ψ(xi)·ψ(x)，從而實(shí)現(xiàn)某一非線性變換后的線性擬合。f(x,ω)＝(ω·ψ(x))+b(2)其中，ψ(x)是將樣本點(diǎn)映射到高維空間的非線性變換。SVM回歸機(jī)可表示為min12||ω||2+CΣi=1l(ξi+ξi*)---(3)]]>其中，ξi和為松弛變量，在不能完全滿足式(3)的前兩個(gè)約束條件(不包括ξi和)下引入。滿足約束：f(xi,ω)-yi≤ϵ+ξi,yi-f(xi,ω)≤ϵ+ξi*,ξi≥0,ξi*≥0,i=1,2,...,l.---(4)]]>優(yōu)化函數(shù)(3)為二次型，約束條件是線性的，因此是個(gè)典型的二次規(guī)劃問題，可用拉格朗日乘子法求解。引入拉格朗日乘子αi,ηi,可得L(ω,b,ξi,ξi*,αi,αi*,ηi,ηi*)=12||ω||2+CΣi=1l(ξi+ξi*)-Σi=1lαi(ϵ+ξi-yi+ω·ψ(xi)+b)-Σi=1lαi*(ϵ+ξi*+yi-ω·ψ(xi)-b)-Σi=1l(ηiξi+ηi*ξi*).---(5)]]>在最優(yōu)解處有∂L∂ω=ω-Σi=1l(αi-αi*)·ψ(xi)=0,∂L∂b=Σi=1l(αi-αi*)=0,∂L∂ξi=C-αi-ηi=0,∂L∂ξi*=C-αi*-ηi*=0.---(6)]]>將式(6)代入式(5)，將線性可分條件下的原問題變換為其對(duì)偶問題，求解如下的極大化問題：maxW(αi-αi*)=Σi=1lyi(αi-αi*)-ϵΣi=1l(αi+αi*)-12Σi,j=1l(αi-αi*)(αj-αj*)K(x,xi).---(7)]]>求解上述模型的Lagrange對(duì)偶問題，得到回歸函數(shù)：f(x)=Σi=1l(αi-αi*)K(x,xi)+b.---(8)]]>其中，K(xi,x)＝ψ(xi)·ψ(x)為核函數(shù)。在這個(gè)模型中有三個(gè)非常重要的參數(shù)，分別是懲罰系數(shù)C，允許的誤差范圍ε(在模型訓(xùn)練時(shí)ε選為0.01)、核參數(shù)γ。懲罰系數(shù)C相當(dāng)于是對(duì)誤差的寬容度，C越大說明你越不能容忍出現(xiàn)誤差；核參數(shù)γ隱含地決定了數(shù)據(jù)映射到新的特征空間的分布。一般地，C越大，擬合誤差越小，預(yù)測誤差越大；ε越大，預(yù)測誤差越大，擬合誤差與ε之間沒有明顯的單調(diào)增大或者減小的關(guān)系。對(duì)于這三個(gè)參數(shù)的選擇沒有明確的規(guī)則，一般通過試驗(yàn)給出。由于將允許誤差范圍ε選定為0.01，還需進(jìn)行選擇的參數(shù)有懲罰因子C和核參數(shù)γ，關(guān)于C和γ的最佳組合的選取會(huì)在后面詳細(xì)介紹。以下介紹SVM預(yù)測模型建模方法流程。SVM建模方法通過Matlab編程實(shí)現(xiàn)。參見圖5，SVM預(yù)測模型建模方法包括以下步驟：步驟S10，確定所選的核函數(shù)，進(jìn)入步驟S11；步驟S11，初始化核函數(shù)的參數(shù)，進(jìn)入步驟S12；步驟S12，獲取實(shí)驗(yàn)樣本數(shù)據(jù)，進(jìn)入步驟S13；步驟S13，將樣本數(shù)據(jù)用于學(xué)習(xí)或預(yù)測對(duì)比，如果是學(xué)習(xí)，進(jìn)入步驟S14，如果是預(yù)測對(duì)比，則進(jìn)入步驟S18；步驟S14，對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)入步驟S15；步驟S15，判斷所選參數(shù)特征是否具有代表性，如果是，進(jìn)入步驟S16，如果否，則返回步驟S14；步驟S16，算法訓(xùn)練建立模型，進(jìn)入步驟S17；步驟S17，采用網(wǎng)絡(luò)搜索方法優(yōu)化參數(shù)，進(jìn)入步驟S18；步驟S18，將預(yù)測數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比，進(jìn)入步驟S19；步驟S19，判斷誤差是否在允許范圍內(nèi)，如果是，進(jìn)入步驟S20，如果否，則返回步驟S16；以及步驟S20，作為預(yù)測模型。上述方法中，主要的三步是步驟S10，核函數(shù)的選擇；步驟S14，數(shù)據(jù)預(yù)處理；以及步驟S17，參數(shù)優(yōu)化。所述步驟S10中，在支持向量機(jī)中使用的核函數(shù)主要有四類：(1)線性核函數(shù)K(xi,xj)＝xi·xj(2)多項(xiàng)式核函數(shù)K(xi,xj)＝[γ(xi·xj)+coef0]d,γ>0(3)徑向基核函數(shù)(高斯、RBF)K(xi,xj)＝exp(-γ||xi-xj||2),γ>0(4)Sigmoid函數(shù)K(xi,xj)＝tanh(v(xi·xj)+coef0)對(duì)于支持向量機(jī)算法而言，核函數(shù)的選擇非常關(guān)鍵。通常而言，徑向基核函數(shù)(高斯核函數(shù)、RBF核函數(shù))是合理的首選。這個(gè)核函數(shù)將樣本非線性地映射到一個(gè)更高維的空間，與線性核不同，它能夠處理分類標(biāo)注(輸入特征)和屬性(輸出功耗值)的非線性關(guān)系。并且，線性核是RBF的一個(gè)特例，因此，使用一個(gè)懲罰因子C的線性核與某些參數(shù)(C，γ)的RBF核具有相同的性能。同時(shí)，Sigmoid核的表現(xiàn)很像一定參數(shù)的RBF核。第二個(gè)原因，超參數(shù)(hyperparameter)的數(shù)量會(huì)影響到模型選擇的復(fù)雜度(因?yàn)閰?shù)的選擇只能靠試驗(yàn))，而多項(xiàng)式核比RBF核有更多的超參數(shù)。最后，RBF核有更少的數(shù)值復(fù)雜度(numericaldifficulties)，而多項(xiàng)式核涉及高階運(yùn)算。此外，Sigmoid核在某些參數(shù)下不是合法的(例如：不是兩個(gè)向量的內(nèi)積)。當(dāng)然，也存在一些情形RBF核是不適用的。特別地，當(dāng)特征維數(shù)非常大的時(shí)候，很可能只能適用線性核。對(duì)于線性核相當(dāng)于沒有將樣本映射至高維空間，線性區(qū)分(或回歸)在原始特征空間中被完成，這是最快的選擇。綜合上述分析，由于無論是小樣本還是大樣本，高維還是低維等情況，RBF核函數(shù)均適用，具有較寬的收斂域。并且對(duì)于非線性模型來說，RBF核函數(shù)是較為理想的回歸依據(jù)函數(shù)，因此選擇徑向基RBF核函數(shù)。值得注意的是，上面這些核函數(shù)中都包含可調(diào)節(jié)的參數(shù)，比如多項(xiàng)式核函數(shù)中的參數(shù)γ，coef0,d；RBF核函數(shù)中的參數(shù)γ以及Sigmoid核函數(shù)中的參數(shù)v，coef0等。根據(jù)核函數(shù)參數(shù)以及式(3)中懲罰因子C和式(4)中允許的誤差范圍ε選取的不同，模型的預(yù)測精度可能會(huì)有很大差異。這就是SVM方法的參數(shù)選擇問題，又稱模型選擇問題。將在下面進(jìn)行具體分析。所述步驟S12中，將需要采集的數(shù)據(jù)分為三組，共14561個(gè)樣本：第一組：共630個(gè)。幅度(V)：0-0.9(step：0.1)；頻率(Hz)：2,30,70,110,130,150,170,200,250；脈寬(μs):30,70,110,150,200,350,450第二組：共13175個(gè)。幅度(V)：1-4(step:0.1)；頻率(Hz):2,10,30,50,70,90,110,130-185(step:5),200-250(step:10)；脈寬(μs)：30-120(step:10),150-450(step:50)。第三組：共756個(gè)。幅度(V)：4.5-10(step:0.5)；頻率(Hz)：2,30,70,110,130,150,170,200,250；脈寬(μs)：30,70,110,150,200,350,450。以上樣本的阻抗均為1000Ω。用這14561個(gè)樣本在不考慮阻抗和電池供電電壓的前提下去預(yù)測53萬余個(gè)刺激參數(shù)(幅度、頻率、脈寬)組合。(僅考慮電壓模式)利用自動(dòng)測試系統(tǒng)采集三個(gè)維度的數(shù)據(jù)，即幅度、頻率和脈寬。由于增加一個(gè)維度會(huì)給數(shù)據(jù)采集和預(yù)測精度帶來影響，因此并沒有加入阻抗信息，會(huì)在后面作為修正因數(shù)考慮。下面詳細(xì)解釋一下為什么增加一個(gè)維度會(huì)給數(shù)據(jù)采集和預(yù)測精度帶來影響。從數(shù)據(jù)采集的角度，現(xiàn)在需要采集的樣本數(shù)量為14561個(gè)，如果增加阻抗信息，例如加入300,500,1000,2000,3000(單位Ω)這五個(gè)阻抗值，那么意味著將需要采集14561×5＝72805個(gè)樣本，自動(dòng)測試系統(tǒng)每采集一個(gè)樣本需要至少30s的時(shí)間，原本只需5天的數(shù)據(jù)采集時(shí)間，加入阻抗信息后至少需要25天。可見增加一個(gè)維度給數(shù)據(jù)采集工作帶來了一定的困難。從模型預(yù)測精度的角度，對(duì)于支持向量機(jī)本身而言，輸入樣本的特征越多，也就是維度越高，SVM預(yù)測精度會(huì)越低。所述步驟S14中，樣本數(shù)據(jù)預(yù)處理是指對(duì)樣本數(shù)據(jù)的輸入特征幅度、頻率和脈寬的數(shù)值進(jìn)行處理。適用于本問題的樣本預(yù)處理方式主要有兩種：歸一化和取序列號(hào)。歸一化是較為常用的數(shù)據(jù)預(yù)處理方式，而取序列號(hào)是筆者根據(jù)所研究問題的實(shí)際情況提出的。參見圖6-圖11，通過仿真圖形和對(duì)比表可以看出，取序列號(hào)的處理方案會(huì)使模型預(yù)測精度大大改善。歸一化方案分為兩種，一種是對(duì)樣本的所有輸入特征和輸出功耗都進(jìn)行歸一化處理；另外一種是只對(duì)樣本的所有輸入特征進(jìn)行歸一化處理，而輸出功耗則不進(jìn)行處理，使用其原始數(shù)據(jù)。圖像仿真說明這兩種不同的歸一化方式，在模型預(yù)測精度上有較大的差異，前者預(yù)測精度非常低，后者預(yù)測精度比前者高很多，且僅略低于取序列號(hào)的方案。下面分別對(duì)這三種樣本數(shù)據(jù)預(yù)處理方案進(jìn)行分析，并繪制功耗預(yù)測的仿真圖形，進(jìn)行預(yù)測誤差對(duì)比。所述歸一化處理為按照如下歸一化方式對(duì)數(shù)據(jù)進(jìn)行處理：X1＝2((X-Xmin)/(Xmax-Xmin))-1(9)其中，X為原數(shù)據(jù)；X1為X經(jīng)歸一化處理后的值；Xmax和Xmin分別為原數(shù)據(jù)X所在數(shù)據(jù)組中的最大值和最小值。所述取序列號(hào)的方法為：幅度序列號(hào)＝幅度×20；脈寬序列號(hào)＝(脈寬-30)/10；頻率序列號(hào)按照從自然數(shù)0-61以1為增量進(jìn)行編號(hào)。如下表1所示。表1對(duì)輸入樣本特征值取序列號(hào)預(yù)處理參見表2，為分別采用不對(duì)樣本預(yù)處理、歸一化和取序列號(hào)的方式模型預(yù)測精度對(duì)比：表2標(biāo)準(zhǔn)偏差其中，xi為預(yù)測值，x為實(shí)際值，n為測試集樣本數(shù)。通過對(duì)以上3組6幅Matlab仿真圖和采用不同樣本預(yù)處理方案模型預(yù)測精度的對(duì)比表2，可以得出如下結(jié)論：第一，在支持向量機(jī)算法中，如果不對(duì)訓(xùn)練和預(yù)測樣本進(jìn)行預(yù)處理，模型預(yù)測精度會(huì)非常差，甚至遠(yuǎn)不如最小二乘回歸模型。如圖6和圖7，以及模型預(yù)測精度對(duì)比表2中的第二列。第二，由圖8-圖11，對(duì)樣本輸入特征(幅度、頻率、脈寬)取序列號(hào)的方式是最適用于本文所研究問題的樣本預(yù)處理方案，通過取序列號(hào)可使模型預(yù)測精度最高。對(duì)其原因進(jìn)行簡要分析：①幅度是等比例放大，變?yōu)樵瓉淼?0倍；②頻率進(jìn)行編號(hào)處理，降低較大數(shù)據(jù)值的同時(shí)，較小數(shù)據(jù)并沒有變得更小，在保證數(shù)據(jù)之間關(guān)系的同時(shí)縮小了數(shù)據(jù)之間的差距，并且增強(qiáng)了數(shù)據(jù)之間的內(nèi)部特征規(guī)律和聯(lián)系，同時(shí)使數(shù)據(jù)范圍變小且更有效，數(shù)據(jù)分布得更合理；③對(duì)脈寬做了一個(gè)線性變換pw＝30+10×n(pw為實(shí)際脈寬值，n為對(duì)應(yīng)的序列號(hào))，由于實(shí)際可調(diào)脈寬值在30-450us之間，可使數(shù)據(jù)值有效減小，在減小時(shí)也并未打破數(shù)據(jù)之間的內(nèi)部特征關(guān)系。并且不是直接縮小10倍，而是有一個(gè)截距，從而保證了數(shù)據(jù)的完整性，使得變換后的數(shù)據(jù)從0開始，并且數(shù)值也更小。綜上，對(duì)樣本的輸入特征通過取序列號(hào)這樣的映射關(guān)系可以完整的保存不同特征值內(nèi)部之間的關(guān)系，而不會(huì)打破特征值內(nèi)在的關(guān)聯(lián)。另外，根據(jù)仿真圖形，取序列號(hào)和只對(duì)樣本的所有輸入特征進(jìn)行歸一化處理，而輸出功耗不進(jìn)行處理使用其原始數(shù)據(jù)這兩種樣本預(yù)處理方案的模型預(yù)測精度相當(dāng)，由于篇幅等原因這里沒有給出仿真圖形對(duì)比。第三，圖10和圖11中的歸一化方案采用的是對(duì)樣本的所有輸入特征和輸出功耗都進(jìn)行歸一化處理的方式?？梢钥闯鲞@種樣本預(yù)處理方案相比于取序列號(hào)預(yù)測精度略差。對(duì)其原因進(jìn)行簡要分析。這種處理方式和只對(duì)樣本的所有輸入特征進(jìn)行歸一化處理，而輸出功耗則不進(jìn)行處理使用其原始數(shù)據(jù)的方案有一個(gè)很大的差別，就是這種方式由于對(duì)訓(xùn)練樣本的輸出功耗進(jìn)行了歸一化，那么SVM經(jīng)訓(xùn)練學(xué)習(xí)后得到的功耗預(yù)測值相當(dāng)于也是歸一化后，這時(shí)就需要對(duì)其進(jìn)行反歸一化。即如果先將整個(gè)數(shù)據(jù)集(包括訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù))進(jìn)行歸一化，然后訓(xùn)練SVM模型，再用模型去做預(yù)測，再將得到的預(yù)測結(jié)果進(jìn)行反歸一化，得到預(yù)測的功耗數(shù)據(jù)。在這個(gè)過程本身存在一個(gè)問題，就是反歸一化時(shí)由于并不知道預(yù)測值對(duì)應(yīng)的功耗的最大和最小值，而是仍然用的實(shí)測訓(xùn)練數(shù)據(jù)集中功耗的最大最小值，除非這兩者的最大最小值相同，否則必然會(huì)存在偏差。因此，對(duì)于SVM算法的訓(xùn)練，要想得到好的預(yù)測效果，最重要的就是數(shù)據(jù)，即對(duì)于原始數(shù)據(jù)的特征提取和處理。采用不同的樣本預(yù)處理方案可能會(huì)對(duì)模型預(yù)測精度產(chǎn)生意想不到的較大影響。仿真結(jié)果說明，對(duì)樣本輸入特征(幅度、頻率、脈寬)取序列號(hào)的數(shù)據(jù)預(yù)處理方式可使模型預(yù)測精度最高，其預(yù)測樣本的標(biāo)準(zhǔn)差是最小的。并且盡量不要對(duì)樣本輸出特征即功耗值做任何處理(例如：歸一化和反歸一化)，這會(huì)使預(yù)測精度大打折扣。所述步驟S17中，在所選取的核函數(shù)的基礎(chǔ)上，對(duì)其參數(shù)進(jìn)行優(yōu)化選擇。核函數(shù)的選擇和參數(shù)優(yōu)選是決定SVM回歸預(yù)測精度的關(guān)鍵，這往往需要一定的先驗(yàn)知識(shí)，目前還沒有一般性的結(jié)論，這里采用網(wǎng)格搜索的方式對(duì)懲罰系數(shù)C和核參數(shù)γ進(jìn)行優(yōu)選。優(yōu)化的目標(biāo)函數(shù)是均方誤差mse，參加優(yōu)選的參數(shù)是懲罰因子C和核參數(shù)γ，優(yōu)選范圍為：log2C＝-15:15，log2γ＝-15:15，C和γ的組合共有961種。參數(shù)優(yōu)化方案是利用網(wǎng)格搜索的方式選擇使均方誤差mse最小的一組參數(shù)作為最優(yōu)的C與γ。在最優(yōu)參數(shù)組合處，SVM的經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍接近最佳的組合(結(jié)構(gòu)風(fēng)險(xiǎn)最小化示意圖2中h*處)，既不會(huì)出現(xiàn)過學(xué)習(xí)現(xiàn)象，也不會(huì)出現(xiàn)欠學(xué)習(xí)現(xiàn)象，此時(shí)SVM具有很好的推廣能力。同時(shí)，訓(xùn)練時(shí)隨機(jī)生成訓(xùn)練樣本和測試樣本，并將3折交叉驗(yàn)證和參數(shù)優(yōu)選相結(jié)合，以防止過擬合，提高模型的泛化能力。圖12為某一次參數(shù)優(yōu)選的示意圖(刺激幅度0-0.9V，阻抗1000Ω，供電電壓2.8V；樣本數(shù)據(jù)預(yù)處理方式采用取序列號(hào)的方案)。圖中橫坐標(biāo)為log2C，縱坐標(biāo)為log2γ，不同顏色的線表示均方誤差mse等值線，越接近紅色(暖色)表示mse越大，越接近藍(lán)色(冷色)表示mse越小(圖中有標(biāo)出mse的具體數(shù)值)。圖12中圈出的位置為mse最小處，此時(shí)log2C＝14,log2γ＝-10，即bestC＝16384，bestγ＝9.76563×10-4。參見圖13，為本發(fā)明提供的腦起搏器電量監(jiān)測系統(tǒng)10，其包括：一控制模塊100以及與該控制模塊100連接的計(jì)算模塊101、數(shù)據(jù)獲取模塊102、通訊模塊103，顯示模塊104、數(shù)據(jù)輸入模塊105以及存儲(chǔ)模塊106。所述控制模塊100控制控制整個(gè)腦起搏器電量監(jiān)測系統(tǒng)10的工作。所述數(shù)據(jù)獲取模塊102用于獲取所述腦起搏器的刺激參數(shù)，例如：幅度amp，脈寬pw，阻抗im，以及頻率cf。所述數(shù)據(jù)獲取模塊102可以通過通訊模塊103與所述腦起搏器的體外程控儀進(jìn)行通訊，從而獲取腦起搏器的刺激參數(shù)。所述數(shù)據(jù)輸入模塊105用于輸入電池總?cè)萘?、電池從購買到加工結(jié)束的時(shí)間以及腦起搏器從出廠到開機(jī)的時(shí)間等信息。所述計(jì)算模塊101用于通過上述公式根據(jù)刺激參數(shù)計(jì)算所述腦起搏器的功耗、剩余電量以及使用壽命。所述顯示模塊104將所述計(jì)算模塊101計(jì)算得到的結(jié)果顯示給用戶。參見圖14，所述顯示模塊104通過一圖形用戶界面將監(jiān)控?cái)?shù)據(jù)顯示給用戶，其中，顯示數(shù)據(jù)包括：電池總?cè)萘?、電池從購買到加工結(jié)束的時(shí)間、腦起搏器從出廠到開機(jī)的時(shí)間、功耗、剩余電量、誤差以及刺激參數(shù)幅度amp，脈寬pw，阻抗im，以及頻率cf。所述存儲(chǔ)模塊106用于存儲(chǔ)數(shù)據(jù)信息。進(jìn)一步，所述腦起搏器電量監(jiān)測系統(tǒng)10也可以沒有數(shù)據(jù)獲取模塊102和通訊模塊103，完全通過數(shù)據(jù)輸入模塊105來手動(dòng)輸入數(shù)據(jù)信息。進(jìn)一步，所述腦起搏器電量監(jiān)測系統(tǒng)10也可以通過通訊模塊103將所述計(jì)算模塊101計(jì)算得到的結(jié)果發(fā)送至手機(jī)等客戶端。進(jìn)一步，所述腦起搏器電量監(jiān)測系統(tǒng)10還可以包括一比較模塊107和一提示模塊108。所述比較模塊107用于將所述計(jì)算模塊101計(jì)算得到的結(jié)果與一安全閾值進(jìn)行比較，從而在危險(xiǎn)時(shí)通過該提示模塊108進(jìn)行提示。本發(fā)明采用上述腦起搏器的電量監(jiān)測系統(tǒng)進(jìn)行電量監(jiān)測的方法包括：獲取腦起搏器的刺激參數(shù)；通過支持向量機(jī)預(yù)測模型計(jì)算該腦起搏器的電池相關(guān)參數(shù)；以及將計(jì)算得到的電池參數(shù)顯示給用戶。所述電池相關(guān)參數(shù)包括功耗、電量消耗、剩余電量以及電池壽命中的一種或多種。以上已經(jīng)給出了本發(fā)明的多個(gè)實(shí)施方式，可以理解的是，在不偏離本公開內(nèi)容精神以及范圍的情況下，可以做出各種變化、替換、以及改變，這些實(shí)施方式也在本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁1 2 3 當(dāng)前第1頁1 2 3